Steerability — Capacités et Limitations de l'IA

Ce que vous apprendrez

Durée estimée : 30 minutes

À la fin de cette leçon, vous serez capable de :

Expliquer pourquoi la steerability fonctionne (l'entraînement a enseigné au modèle à suivre les instructions) et pourquoi elle a des limites (les instructions sont suivies par reconnaissance de motifs, pas par compréhension)
Prédire où le contrôle est le plus serré (instructions courtes, concrètes, vérifiables) par rapport à où il est le plus lâche (longues chaînes de raisonnement, demandes abstraites, tâches de précision native)
Identifier la dérive de raisonnement, la lettre plutôt que l'esprit, et l'arithmétique fragile comme des défaillances caractéristiques de la steerability
Reconnaître les system prompts, l'exécution de code, le raisonnement visible et les sorties structurées comme des fonctionnalités de produit abordant cette limitation

Comment la steerability affecte les sorties de l'IA générative

(5 minutes)

Le modèle suit vos instructions de la même manière qu'il fait tout le reste : en continuant un motif. Cela le rend remarquablement steerable. Cela signifie aussi qu'il y a toujours un écart entre ce que vous aviez l'intention de faire et ce qui s'est produit, et la plupart des défaillances intéressantes vivent dans cet écart.

Quel est votre degré de contrôle réel ?

Avant de lire

Vous demandez à l'IA d'écrire exactement 100 mots, pas plus. À quel point devez-vous vérifier le résultat ? Choisissez un point sur le continuum, puis verrouillez votre réponse.

Next Token Prediction Knowledge Working Memory Steerability

Capacité Limitation

Lui faire confiance Vérifier rapidement Vérifier les détails Vérifier attentivement Risque élevé

Votre réponse

Typique

Ce que cela permet

Où cela échoue caractéristiquement

Fonctionnalités de produit qui repoussent la limite

Choisissez un point, puis verrouillez votre réponse. La leçon s'ouvre une fois que vous l'avez fait.

Verrouiller ma réponse

Vérifier votre intuition

Verrouillez votre réponse ci-dessus pour la comparer au placement typique.

Personnaliser

Hauteur de la barre

Taille du pictogramme

Palette Sky → Clay Olive → Clay Cactus → Fig Slate → Clay

Points clés à retenir

Steerability signifie que le modèle suit les instructions via Next Token Prediction.
Zone de capacité : instructions courtes, concrètes, vérifiables. Spécifications de format, limites de longueur, rôles explicites.
Zone de limitation : longues chaînes de raisonnement, instructions abstraites ou ambiguës, tout ce qui nécessite une précision numérique ou logique native.
Défaillances caractéristiques : dérive de raisonnement (les petites erreurs s'accumulent) et lettre plutôt que l'esprit (l'instruction a été honorée mais l'intention ne l'a pas été).
Les system prompts, l'exécution de code, le raisonnement visible et les modes de sortie structurée existent pour empêcher votre intention de s'affaiblir.
**Quand une instruction est suivie littéralement mais inutilement, reformulez l'objectif. ** Répéter l'instruction avec plus de force ne fermera pas l'écart.
Connexion 4D : Steerability est ce qui rend Description puissante et ce qui la limite. Comprendre l'écart entre les mots et l'intention change la façon dont vous écrivez les prompts et où vous insérez les points de contrôle.

Exercices

Exercice : La Reformulation d'Objectif

Pourquoi ? L'écart entre ce que vous dites et ce que vous voulez dire est l'endroit où vivent la plupart des défaillances de steerability. Cet exercice vous apprend à faire des prompts à partir de l'intention, pas seulement à partir de l'instruction.

Choisissez une tâche de votre liste de la Leçon 1 qui implique plusieurs étapes ou un format de sortie spécifique. Écrivez l'objectif en une phrase : ce que vous essayez réellement d'accomplir, pas seulement à quoi la sortie devrait ressembler. (« Convaincre mon équipe que ce calendrier est réaliste » est un objectif. « Trois points clés » est un format. )

Maintenant, exécutez trois sondages :

**Sondage 1 : Contrôle serré. ** Donnez une instruction courte, concrète et vérifiable liée à votre tâche : « répondre sous forme de tableau à trois colonnes », « exactement cinq points clés », « deuxième personne partout ». Vérifiez si elle a été respectée précisément. C'est la zone de capacité : l'instruction est assez simple pour correspondre parfaitement au motif.
**Sondage 2 : Dérive de raisonnement. ** Demandez une version de votre tâche qui nécessite 4–5 étapes dépendantes. Examinez la sortie étape par étape. Une petite erreur au début s'est-elle répercutée jusqu'à la fin ? Maintenant, réessayez, mais demandez à l'IA de s'arrêter et de vous montrer le résultat de l'étape 2 avant de continuer. Comparez ce que vous obtenez quand vous insérez un point de contrôle par rapport à quand vous la laissez s'exécuter.
**Sondage 3 : Lettre vs esprit. ** Donnez une instruction qui pourrait être satisfaite littéralement mais inutilement. « Rendre ceci plus court » sur un brouillon où le vrai problème est la structure. « Rendre ceci plus professionnel » sur un email où le vrai problème est qu'il enterre la demande. Voyez ce que vous obtenez. Ensuite, re-promptez avec l'objectif énoncé explicitement aux côtés de l'instruction : « Rendre ceci plus court. Mon objectif est de maintenir l'attention du cadre supérieur jusqu'à la conclusion clé à la page deux. » Comparez.

Retournez à votre liste de tâches. Pour toute tâche multi-étapes, notez où vous insérez un point de contrôle. Pour toute tâche où vous avez été en train de faire des prompts avec le format seul, rédigez la déclaration d'objectif que vous ajouterez la prochaine fois.

Réflexion sur la leçon

À quelle fréquence avez-vous énoncé le format mais pas l'objectif ? Qu'est-ce qui change quand vous incluez les deux ?
Quelle est une tâche récurrente où vous ajouterez un point de contrôle mi-processus à partir de cette semaine ?

Prochaines étapes

Vous avez maintenant rencontré les quatre propriétés individuellement. Dans la leçon suivante, nous examinons comment elles interagissent, car la plupart des défaillances du monde réel sont deux propriétés qui se rencontrent.

Retours

Au fur et à mesure que vous progressez dans le cours, nous aimerions avoir de vos nouvelles sur la façon dont vous utilisez les concepts du cours dans votre travail, ainsi que tout retour que vous pourriez avoir. Partagez vos retours ici.

Remerciements et licence

Copyright 2026 Anthropic. Travail original s'appuyant sur le AI Fluency Framework développé par Prof. Rick Dakan (Ringling College of Art and Design) et Prof. Joseph Feller (University College Cork). Publié sous la licence CC BY-NC-SA 4. 0.